Workflow-beskrivelse

Dette workflow er designet til at automatisere og skalere avancerede kundesupport- og videnshentningsopgaver ved at anvende LLM’er (Large Language Models), dynamisk dataskabelse, eksterne API-forespørgsler (såsom LiveAgent) og automatiseret dokumenthentning. Det er især nyttigt for organisationer, der ønsker at strømline supportprocesser, besvare kundehenvendelser med kontekstafhængige svar og integrere vidensbaseopslag med eksterne systeminteraktioner.

Overblik på højt niveau

Workflowet orkestrerer disse hovedtrin:

• Modtager brugerinput (via chat)
• Bygger dynamiske API-forespørgsler baseret på brugerinput og kontekst
• Henter og parser data fra eksterne kilder (f.eks. LiveAgent)
• Bruger LLM’er til at udtrække og opsummere relevant information fra svar
• Supplerer svar med dokumenthentning fra en vidensbase
• Udnytter en LLM-drevet agent til at generere kundeparate svar, altid forankret i hentet kontekst
• Præsenterer svaret tilbage til brugeren

Hovedkomponenter og flow

Detaljerede trin

1. Brugerinput og kontekstindsamling

• Processen starter med en Chat Input-node, hvor brugerens besked modtages.
• Chat History-noden henter de sidste N beskeder, hvilket muliggør kontekstafhængige svar.
• En Prompt Template bruger brugerinput og historik til dynamisk at generere en URL til det eksterne API (for eksempel for at hente et samtaletranskript fra LiveAgent).

2. Konstruktion af API-forespørgsel

• Create Data-noder muliggør dynamisk konstruktion af forespørgselsparametre eller request bodies (inklusive sikker opbevaring af API-nøgler eller andre nødvendige felter).
• Den genererede URL og parametre føres ind i en API Request-node, der interagerer med eksterne systemer (såsom LiveAgent) for at hente de nødvendige data.

3. Dataparsning og forbehandling

• API-svar behandles med Parse Data-noder, der omdanner rå data til struktureret tekst eller udtrækker kun relevante felter.
• Disse parset data gives videre til LLM Generator-noden, som har til opgave at udtrække specifik information (f.eks. “Preview”-sektionen) ved hjælp af en veldefineret systembesked.

4. Vidensberigelse

• Imens gør Document Retriever-noden det muligt for systemet at søge i interne vidensbaser efter dokumenter, der er meget relevante for brugerens forespørgsel, hvilket yderligere beriger agenten med autoritativ kontekst. Dette værktøj stilles til rådighed for LLM-agenten.

5. LLM-agentens svargenerering

• Tool Calling Agent-noden er en kraftfuld LLM-baseret agent, som:
  • Modtager brugerinput, API-svar, chat-historik og adgang til værktøjer (Document Retriever, Contact Human Assist osv.)
  • Styres af en detaljeret systemprompt, der specificerer:
    • Brug altid autoritative kilder (f.eks. Document Retriever, knowledge_source_tool)
    • Find aldrig selv på svar eller URL’er
    • Stil opklarende spørgsmål, hvis nødvendigt
    • Formater svarene venligt, professionelt og kortfattet
    • Brug punktopstillinger, fed tekst og emojis for engagerende svar
    • Svar altid på slovakisk (eller detekteret bruger-sprog), i e-mail-tone
    • Eskalér til menneskelig support, hvis henvendelsen ikke kan løses
• Dette sikrer, at hvert kundesvar er nøjagtigt, kontekstbaseret, politikoverholdende og yderst skalerbart.

6. Output til bruger

• Det endelige genererede svar (fra LLM-agenten) parses og formateres og leveres derefter til brugeren via Chat Output-noder.

Noter og bedste praksis

• API-nøgle og LiveAgent-link: Workflowet inkluderer note-noder, der minder brugeren om at indsætte deres API-nøgle og erstatte YOURLINK i prompt-skabeloner med deres faktiske LiveAgent-instances URL.
• Sikkerhed og compliance: API-nøgler og følsomme data håndteres via dynamiske datanoder, hvilket minimerer risikoen for utilsigtet eksponering.
• Udvidelsesmuligheder: Den modulære opbygning gør det nemt at tilføje flere værktøjer, datatransformationer eller outputkanaler.

Hvorfor er dette workflow nyttigt til skalering og automatisering?

• End-to-end-automatisering: Integrerer flere datakilder (livechat, API’er, vidensbase) og automatiserer beslutnings- og svarprocessen.
• LLM-drevet ræsonnement: Udnytter avancerede LLM’er til kontekstforståelse, informationsudtræk og menneskelignende kommunikation.
• Konsistent, høj kvalitet support: Agentens systemprompt håndhæver virksomhedspolitikker, tone, eskaleringsveje og sikrer, at ingen hallucinerede data leveres.
• Hurtig integration med eksterne systemer: Kan nemt tilpasses forskellige API’er eller vidensbaser ved at opdatere prompt-skabeloner og forbindelsesnoder.
• Human-in-the-loop-eskalering: Overdrager problemfrit komplekse sager til menneskelige agenter, så der også er dækning af særlige tilfælde.
• Skalerbarhed: Kan håndtere store mængder forespørgsler parallelt med konstant nøjagtighed og compliance.

Oversigtstabel over nøgle-noder

Dette workflow er ideelt til automatisering af kundesupport, integration med eksterne ticket- eller chatsystemer og sikrer, at LLM-drevne svar altid er forankret i autoritativ virksomhedskundskab. Det kan være rygraden i en skalerbar, intelligent supportassistent, der er klar til brug i virksomheder.